AI應用
智慧製造

數據整合分析平台 - KNIME Analytics Platform

建議價格
專案方案 依實際需求提供客製化報價 專案價
產品介紹
KNIME Analytics Platform 是用於創建數據科學的開源軟件。 KNIME 直觀、開放並不斷整合新開發技術,使每個人都可以理解數據並設計數據科學工作流程(workflow)和可重覆使用的功能元件。
特色說明
01
混合數據與技術 / 工具
融合數據:
結合與匯流文本檔、資料庫、文件檔、圖像、網絡,甚至 Apache Hadoop 的數據在同一視覺工作流程中。

整合 R 和 Python:
在您的 KNIME 工作流程中包含 R 和 Python 程式碼,在數據科學家之間以圖形化記錄和共享專業知識。

融合不同的技術:
輕鬆融合最先進的技術:使用 KNIME Big Data 整合 Apache Hadoop,Spark 和 MLlib。其他技術整合包括深度學習框架和其他機器學習庫(H2O,Weka 等)。

視覺化:
使用易於學習的圖形化界面以視覺化記錄工作流程,並且可選擇性進行編碼。
02
建立 End to End 數據科學
建立視覺化工作流程:
使用直觀的拖放式圖形化界面創建工作流程 – 無需編碼。

混合任何數據源:
匯入並合併文本格式(CSV,PDF,XLS,JSON,XML等),非結構化數據類型(圖像、文檔、網絡、分子等)或時間序列數據。

從節點和元件中選擇:
建立您分析每個步驟的工作流程與模型,控制數據流程,並確保您的工作流程始終保持最新的功能節點與元件。

使用現成的流程藍圖:
KNIME Hub 可選擇數千種公開實用的工作流程,或使用整合的工作流程教練指導您構建自己的工作流程。
03
充分實現機器學習與 AI
創建機器學習模型:
關於分類、迴歸、維度縮減或群集,使用高階演算法,包括深度學習,tree-based 方法和邏吉斯迴歸。

易於移轉:
與最佳化模型效能- HyperParameter 優化、boosting , bagging , stacking 及建構整體性(ensembles)模型。

驗證模型:
應用模型績效指標,包括準確性 , R² , AUC 和 ROC。執行交叉驗證以確保模型穩定性。

模型預測: 直接使用經過驗證的模型,或使用行業領先的 PMML,包括 Apache Spark。
04
支援數據科學生命週期完整功能
支援所有主要檔案格式和數據庫的連接。

本機和資料庫內的數據融合和轉換。

支援全面的數據類型,如 XML,JSON,圖像,文檔,網絡,時間序列等等。

高階預測和機器學習演算法。

與最先進的機器學習庫的整合:H2O,Keras深入學習,Scikit-Learn 等。

使用基於 Web 模式進行交互式數據視覺化和報告。
成功應用案例
共 3 則案例
透過KNIME進行料號需求預測
工業電腦自動化設備業者主要是期望透過 AI 為 SCM ( Supply Chain Management ) 部門在需求預測工作上,為以往耗時的產銷協調縮短決策時間,同時加速料號需求預估的作業,並提高各料號需求量預測精準度。

本專案透過進階演算法建立 AI 需求預測模型,使該公司供應鏈管理部門在需求預估與產銷協調工作上能加快決策速度,節省數以千計的料號之需求預測及決策所耗費之時間。在加速料號需求預估作業的同時,亦能較以往更精準的掌握客戶與各通路未來需求,協助SCM快速及準確調整物料供給與庫存規劃。

解決方案
◆ 建立多料號分群機制
◆ 自動化預測建模
◆ 即時決策支援

具體效益
◆ 提升需求預測準確度
◆ 改善庫存調整能力和降低庫存成本
◆ 加速決策制定
工業電腦自動化設備案例
面臨問題
◆ 需求預測不準確
◆ 庫存管理困難
◆ 交貨期不穩定
解決方案
◆ 建立多料號分群機制
◆ 自動化預測建模
◆ 即時決策支援
具體效益
◆ 自動化建模流程
◆ 優化庫存管理機制
◆ 提升供應鏈協調

通過資料數據化,建立了一個更強大的供應鏈協調機制,確保內部流程井然有序。不僅有助於提高供應鏈的靈活性,還實現了更緊密的協同合作。這樣的合作有助於減少交貨期的不穩定性,提高客戶滿意度,進一步增強了業務的可持續性。
觸控 IC 業案例
希望機台能維持長時間的運轉,減少主要昂貴零件壞損與更換;另一方面,也希望避免機台完全損壞而造成更大的損失,故對於機台設備的異常監測是有所需要的。
隨著物聯網 ( Internet of Things,IoT ) 的概念提出,可在機台設備上進行運作紀錄,並產生大量監測資料可經過評估以優化成本和效益,異常偵測和預測未來事件等。
製造業機台 IoT 案例 - KNIME 異常偵測和預測系統